Answers:
矩阵分解是一种很好地分解矩阵的方法。它完成了将矩阵分解为两个矩阵的工作,以使它们的乘积与原始矩阵非常匹配。
但是与矩阵因式分解相比,因式分解机本质上是相当通用的。问题表述本身是非常不同的。它被公式化为线性模型,特征之间的交互作为附加参数。此功能交互以其潜在空间表示而不是其纯格式完成。因此,除了像矩阵分解中的特征相互作用外,它还采用了不同特征的线性权重。
因此,与矩阵分解相比,主要区别如下:
在上一个答案中共享的论文是谈论FM的原始论文。关于什么是FM确切也有很好的说明性例子。
有许多不同的分解模型,例如矩阵分解,并行因子分析或专用模型,例如SVD ++,PITF或FPMC。这些模型的缺点是它们不适用于一般的预测任务,而仅适用于特殊的输入数据。此外,针对每个任务分别导出了它们的模型方程式和优化算法。我们证明了FM仅通过指定输入数据(即特征向量)就可以模仿这些模型。这使得FM甚至适用于没有因数分解模型专业知识的用户。
来自libfm.org:
“分解机(FM)是一种通用方法,可以通过特征工程来模拟大多数分解模型。这样,分解机将特征工程的普遍性与分解模型的优越性结合在一起,用于估计大范围分类变量之间的交互。”